¿Qué es la inferencia causal?
Podemos entender la inferencia causal como el interés por estimar el efecto de los acontencimientos y las decisiones sobre un resultado de interés determinado.
Algunos ejemplos:
Fundamental
Datos: ¿Cuál es la estrategia de identificación?
Supuestos: ¿Cuáles son los supuestos que sustentan la causalidad en un estudio?
Sin embargo, tendremos algunos inconvenientes…
Problema fundamental de la inferencia causal
Considere una población de \(i\) unidades potencialmente expuestas a un tratamiento (causa) o control. La variable \(D_i\) nos indicará si la unidad \(i\) fue tratada (\(D_i=t\)) o no tratada, o sea control, (\(D_i=c\)).
Nos interesa evaluar el efecto sobre una variable de respuesta observada que denotaremos como \(Y_i\) con dos respuestas potenciales:
- \(Y_i(t)\) si la unidad fue tratada
- \(Y_i(c)\) en caso contrario
Dado que \(Y_i\) mide el efecto de la causa, entonces, los valores de \(Y_i\) son posteriores a la exposición del tratamiento.
A su vez, denotamos que el modelo causal del tratamiento en una unidad \(i\) puede ser expresado como:
\[\tau_i=Y_i(t)-Y_i(c)\]
Lo interesante del modelo Neyman-Rubin es que el valor de \(D_i\) para cada unidad \(i\) podría haber sido distinto. Este es el problema.
La imposibilidad de observar una variable de respuesta \(Y_i\) en la misma unidad y al mismo tiempo para dos condiciones diferentes: \(Y_i(t)\) y \(Y_i(c)\).
Graficamente:
¿Qué se puede hacer?